Interprétation des estimands OLS lorsque les effets de traitement sont hétérogènes : les groupes plus petits obtiennent des poids plus importants

Résumé Le travail appliqué étudie souvent l'effet d'une variable binaire (« traitement ») en utilisant des modèles linéaires avec des effets additifs. J'étudie l'interprétation des estimands OLS dans de tels modèles lorsque les effets du traitement sont hétérogènes. Je montre que le coefficient de traitement est une combinaison convexe de deux paramètres, qui, dans certaines conditions, peuvent être interprétés comme les effets moyens du traitement sur les traités et les non-traités. Les poids sur ces paramètres sont inversement liés à la proportion d'observations dans chaque groupe. S'appuyer sur ces poids implicites peut avoir de graves conséquences pour le travail appliqué, comme je l'illustre avec deux applications bien connues. Je développe des outils de diagnostic simples que les chercheurs empiriques peuvent utiliser pour éviter des biais potentiels. Un logiciel pour mettre en œuvre ces méthodes est disponible en R et Stata. Dans un cas particulier important, mes diagnostics nécessitent uniquement la connaissance de la proportion d'unités traitées.